Am 23. Oktober fand die iRTE2026 Konferenz für Echtzeit-Intelligenz in Peking statt. Zhao Bin, Gründer und CEO von Shengwang, hielt im Hauptforum einen Vortrag mit dem Titel „Dialog-AGI: Das nächste Kapitel der Echtzeit-Interaktion“, in dem er die wichtigsten Veränderungen des vergangenen Jahres im Bereich Echtzeit-Interaktion, dialogische KI und zugrunde liegende Infrastruktur zurückblickte und einen Rahmen der „fünf Dialogfähigkeitsstufen“ vorstellte, der den Entwicklungsweg der dialogischen KI von der grundlegenden Beantwortung bis zum tiefen Verständnis und der Beziehungskommunikation umreißt.
Zhao Bin ist der Ansicht, dass sich mit dem Wandel der KI von der Beantwortung von Fragen hin zu fortlaufender Kommunikation, dem Verstehen von Kontext und der Ausführung von Aufgaben der Gegenstand der Echtzeit-Interaktion von Mensch zu Mensch hin zu Mensch und Agent erweitert. Die Rolle der Echtzeit-Interaktionstechnologie dehnt sich damit entsprechend aus: Sie muss nicht nur die Informationsübertragung stabiler und flüssiger machen, sondern auch die Wahrnehmung, das Verstehen, den Ausdruck und das Handeln der KI in Echtzeit unterstützen.
Von „eine Frage, eine Antwort“ zur tiefen Beziehungskommunikation: Die fünfstufige Evolution der Dialog-AGI
Aus Zhao Bins Sicht sollte der Fortschritt der dialogischen KI nicht allein an Antwortgeschwindigkeit und sprachlicher Natürlichkeit gemessen werden. Wichtiger ist, ob sie die Absichten, Umstände und Beziehungen des Gesprächspartners verstehen, ob sie sich in komplexen Situationen angemessen ausdrücken und schrittweise ein langfristiges, tiefes Verständnis aufbauen kann.
Aufgrund dieser Einschätzung stellte Zhao Bin in seinem Vortrag einen Rahmen vor:den Rahmen der „fünf Dialogfähigkeitsstufen“der die Dialogfähigkeit in fünf Ebenen unterteilt:
L1:Ausdruck aus der eigenen Perspektive: überwiegend Selbstdarstellung und passives Anknüpfen, um „eine Frage, eine Antwort“ zu erreichen.
L2:Ausdruck auf Basis von Interaktionsmustern: vom passiven Antworten zum aktiven Ausdruck, damit Gespräche natürlicher und zusammenhängender werden.
L3:Kommunikation auf Basis individueller Kognition: das Verstehen der Identität, Absichten und Umstände des Einzelnen, um individualisierte Kommunikation zu ermöglichen.
L4:Kommunikation auf Basis kollektiver Kognition: das Verstehen sozialer Beziehungen und Rollenunterschiede, um komplexen Kommunikationssituationen mehrerer Personen gerecht zu werden.
L5:Kommunikation auf Basis tiefer Beziehungen: das Verstehen langfristiger Kontexte und der Entwicklung von Beziehungen, um ein tieferes Verständnis und gedankliches Einverständnis zu erreichen, sodass Kommunikation vom Verstehen des Augenblicks zum Verstehen eines Menschen wird.
Diese fünf Ebenen zeigen nicht nur eine stufenweise Stärkung der Dialogtechnologie, sondern auch eine Veränderung der Beziehung zwischen KI und Mensch: von der Vollendung einer Frage-Antwort-Runde über das Verstehen eines Menschen bis hin zum Verstehen der Beziehungen zwischen Menschen und schließlich zu einer tiefen Kommunikation, die Zeit und Situationen überbrückt.
Zhao Bin wies darauf hin, dass die dialogische KI sich von der frühen Interaktion mit passivem Anknüpfen zu aktiveren, natürlicheren Vollduplex-Dialogen entwickelt und beginnt zu versuchen, die Persönlichkeit, Umstände, Emotionen und Beziehungen von Menschen zu verstehen. Für die Zukunft muss die KI außerdem die Rollenverteilung und Kommunikationsordnung in komplexen sozialen Situationen durchdringen und langfristig angesammelte persönliche Kontexte besser verstehen. Dies ist auch eine wichtige Entwicklungsrichtung der Dialog-AGI: Die KI soll nicht nur einen einzelnen Satz verstehen, sondern die wahre Absicht eines Menschen im Zusammenhang mit dem vollständigen Kontext erfassen und angemessen antworten.
Real-Time AI Infra: Die Schlüsselinfrastruktur zur Unterstützung der Dialog-AGI
Die fortlaufende Evolution der Dialogfähigkeit stellt auch höhere Anforderungen an die zugrunde liegende Technologie.
Zhao Bin erwähnte in seinem Vortrag, dass die tiefergehende Übernahme der WebRTC-Technologie durch Unternehmen wie OpenAI im vergangenen Jahr dazu beigetragen hat, dass die Echtzeit-Interaktionstechnologie im Bereich der dialogischen KI breitere Aufmerksamkeit und Anwendung gefunden hat. Da die KI von einseitigen Frage-Antwort-Runden zu fortlaufender Interaktion übergeht,die Echtzeit-Interaktionsinfrastrukturwird zu einer wichtigen technologischen Stütze, die Modelle, Laufzeit-Frameworks für Agenten und Nutzer verbindet.
Im Vergleich zu herkömmlichen KI-Anwendungen stellen Dialogszenarien strengere Anforderungen an Latenz, Stabilität und bidirektionale Interaktion. Die KI muss die Eingaben des Nutzers empfangen und gleichzeitig den Kontext verstehen und Antworten formulieren, bei Bedarf jederzeit Unterbrechungen bewältigen sowie fortlaufend Werkzeuge aufrufen und Aufgaben vorantreiben. Jede deutliche Verzögerung in einem der Glieder kann die Natürlichkeit des Gesprächs beeinträchtigen und sogar beeinflussen, ob die Aufgabe abgeschlossen werden kann.
Zur Unterstützung dieser Anforderungen stellte Zhao Bin Infrastrukturrichtungen für Echtzeit-Intelligente Interaktion vor: durch ein globales Echtzeit-Übertragungsnetzwerk, verteilte Cloud-Edge-End-Gemeinschaftsinferenz, Echtzeit-Orchestrierung und Vollduplex-Interaktionsfähigkeiten sollen Modelle und Agenten in realen Szenarien kontinuierlich zusammenwirken können. Die dialogische KI-Engine von Shengwang stellt ebenfalls die Vollduplex-Interaktion in den Mittelpunkt, verbindet Modelle, Agenten-Laufzeit-Frameworks und Nutzer und ermöglicht ein stabiles, synchronisiertes Echtzeit-Dialogerlebnis.
Gleichzeitig erfuhr Leifengwang (öffentlicher Account: Leifengwang), dass Shengwang Entwicklungs-Werkzeuge und Entwicklungskits für die dialogische KI kontinuierlich weiterentwickelt und Entwicklern mit Fähigkeiten wie SDK, Skills, CLI-Werkzeugen und Recipes hilft, effizienter Agenten mit vollständiger Logik und Ausführungsfähigkeit zu erstellen.
Vom Kundenservice über Bildung bis hin zu KI-Begleitung und intelligenten Wearables vertritt Zhao Bin die Ansicht, dass die dialogische KI in immer mehr reale Szenarien vordringt. Ob KI wirklich Mehrwert schaffen kann, hängt nicht nur davon ab, ob das Modell „sprechen kann“, sondern auch davon, ob es Bedürfnisse versteht, natürlich kommuniziert und Aufgaben kontinuierlich erledigt. Die Echtzeit-Interaktionstechnologie wird in diesem Prozess eine immer wichtigere Rolle spielen.
Anschließend hielt Andrey Norkin, Chefarchitekt bei NVIDIA und Ko-Vorsitzender der Video-Codec-Arbeitsgruppe der AOMedia, einen Vortrag über die Video-Codec-Technologie AV2.
Runde-Tisch-Gespräch: Werden persönliche Agenten zum persönlichen Eintrittspunkt der nächsten Generation?
In der ersten Runde, moderiert von Tony Wang, Mitgründer von Shengwang (Agora), diskutierten der interaktive Medienproduktmanager und Tech-Blogger Eugene Wei, der unabhängige Tech-Medienmacher und Podcastbetreiber von „乱翻书“ Pan Lu, sowie der AIoT-Hardware-Unternehmer und Betreiber des Endgeräte-KI-Medienkanals Hua Jianxin über das Thema „Persönliche Agenten: vom neuen Werkzeug zum neuen Eintrittspunkt?“.
Von Smartphones, Brillen und Kopfhörern bis hin zu weiteren tragbaren Geräten lassen persönliche Agenten die Branche erneut über den Eintrittspunkt der Mensch-Maschine-Interaktion der nächsten Generation nachdenken. Pan Lu ist der Ansicht, dass persönliche Agenten einen Paradigmenwechsel auslösen könnten: Der Wert von KI-Produkten verlagert sich vom Kampf um die Aufmerksamkeit der Nutzer hin zur Unterstützung der Nutzer bei der effizienteren Erledigung ihrer Aufgaben. Persönliche Agenten der Zukunft sollen nicht nur auf explizite Anweisungen reagieren, sondern auch proaktiv Aufgaben übernehmen und den Nutzern bei Angelegenheiten helfen, die ein klares Ziel haben, für die sich der Aufwand großer Zeitinvestitionen aber nicht lohnt.
Zur Frage der nächsten Generation persönlicher Hardware äußerte Hua Jianxin, dass der künftige Eintrittspunkt nicht unbedingt von einem einzigen Gerätetype monopolisiert werden muss – Brillen, Kopfhörer und andere Hardware, die die Umgebung wahrnehmen und Aufgaben ausführen kann, hätten alle Chancen. Er ist der Meinung, dass persönliche Agenten nicht nur die Nutzer verstehen müssen, sondern auch über physische Geräte die reale Welt kontinuierlich wahrnehmen und handeln müssen, was verschiedenen Hardware-Formen neuen Entwicklungsraum eröffnet.
Eugene Wei lenkte die Diskussion auf den Wert des „Kontexts“: Ob ein persönlicher Agent die Interessen, Kommunikationsverläufe und sozialen Beziehungen der Nutzer wirklich verstehen kann, wird darüber entscheiden, ob er zu einem wertvollen persönlichen Eintrittspunkt werden kann. Um zu beurteilen, ob sich ein neuer Eintrittspunkt etabliert, schlug er vor, auf die täglichen Interaktionen der Nutzer mit dem Agenten zu achten – und darauf, ob die Nutzer öfter von sich aus den Agenten aufsuchen oder der Agent öfter aktiv auf die Nutzer zugeht. Daraus entwickelte die Runde eine weitere Diskussion über den Produktwert, die Hardware-Formen und künftige Bewertungsmaßstäbe persönlicher Agenten.
Runde-Tisch-Gespräch: Vom „Gespräch führen können“ zur „Aufgabenerledigung“ – Wie konversations-KI echten Wert schafft?
In der zweiten Runde, moderiert von Cui Bo, Chief Business Officer von Shengwang (Agora), diskutierten Chen Wei, Gründer von Xieyue Intelligence, Geng Xianglei, Gründer von Guanke Technology, Cai Guoxiang, Mitgründer und Ökosystem-Verantwortlicher von Rokid Leqi, sowie Wu Kan, CEO von Titan Qiming, ausgehend von verschiedenen Szenarien wie verkörperte Intelligenz, intelligente Wearables, Unternehmensmarketing und KI-Recruiting über das Thema „Konversations-KI: Treiber der Interaktion zwischen Mensch und Agent der nächsten Generation“.
Chen Wei ist der Ansicht, dass der Schlüssel verkörperter Intelligenz darin liegt, die Absichten des Menschen tatsächlich in Aktionen von Robotern umzusetzen. Roboter müssen nicht nur Sprachanweisungen verstehen, sondern auch multimodale Informationen wie visuelle Wahrnehmung, Sprache und den eigenen Zustand integrieren, um die physische Umgebung zu erfassen, zu planen und Entscheidungen zu treffen, und die Aufgabenausführung anhand der Veränderungen der Umgebung nach den Handlungen kontinuierlich anzupassen. Wichtiger als die Ausführung vorgegebener Demo-Aufgaben ist, dass Roboter in offenen Umgebungen kontinuierlich die tatsächlichen Bedürfnisse des Menschen verstehen, damit die Handlungen stets mit den Absichten des Menschen im Einklang bleiben. Xieyue Intelligence entwickelt derzeit das Duplex Reasoning-Fundamentalmodell für verkörperte Intelligenz nach einem völlig neuen Paradigma, das darauf abzielt, Robotik-Interaktion und -Handlung zu einer Einheit zu verschmelzen.
Cai Guoxiang betrachtete das Thema aus der Praxis der KI-Brille heraus und betonte, dass das Konversationserlebnis die Kernkompetenz von KI-Wearable-Geräten ist. Er erklärte, dass, egal wie leistungsfähig die Hardware und die zugrunde liegenden KI-Fähigkeiten sind, das Benutzererlebnis direkt beeinträchtigt wird, wenn das Gespräch nicht natürlich genug ist. In Zukunft müssen KI-Wearable-Geräte durch latenzarme, stabile Echtzeit-Interaktion sowie durch das Verständnis von Semantik und langfristigem Kontext erreichen, dass die Nutzer zunehmend nicht mehr spüren, dass sie mit einer KI sprechen. Er teilte zudem die Praxis von Rokid Leqi mit, die RTC-Linkdienste von Shengwang (Agora) für den KI-Assistenten einzusetzen, und ist überzeugt, dass die KI-Brille zu einem wichtigen persönlichen Eintrittspunkt im KI-Zeitalter werden wird.
Im Bereich der Unternehmensanwendungen wies Geng Xianglei darauf hin, dass KI-Sprachagenten, um eine zuverlässige Geschäftsausführung zu erreichen, Probleme wie Latenz, den Zeitpunkt von Unterbrechungen und Vermenschlichung lösen müssen, wobei die Latenz sogar unmittelbar das Aufgabenergebnis beeinflussen kann. Für das To-B-Marketing muss KI außerdem mit branchenspezifischen Wissenssystemen und menschlicher Zusammenarbeit verbunden werden, um Geschäftsergebnisse besser abzusichern. Wu Kan hob mit Blick auf die Praxis des KI-Recruitings hervor, dass dialogische KI Recruiting-Geschäfte helfen kann, Arbeitssuchende in großem Maßstab zu erreichen und die Serviceeffizienz zu steigern, statt einfach nur menschliche Arbeit zu ersetzen. Um einen geschäftlichen Regelkreis zu bilden, müssten zudem Branchendaten angesammelt, das Geschäft mit den Bewerbern als Bezugspunkt strukturiert, dem Agent ein Langzeitgedächtnis aufgebaut und – rund um tatsächliche Geschäftsereignisse wie Vorstellungsgespräche und Einstellungen – die KI bei der kontinuierlichen Bewertung und Optimierung der Servicequalität unterstützt werden.
Aus den Ausführungen der vier Gäste lässt sich erkennen, dass die Anforderungen verschiedener Branchen an dialogische KI zwar unterschiedlich sind, aber in eine gemeinsame Richtung weisen: KI muss nicht nur kommunizieren können, sondern auch echte Szenarien verstehen, sich in bestehende Geschäftsprozesse einfügen und Aufgaben zuverlässig erledigen. Mit der kontinuierlichen Weiterentwicklung von Echtzeit-Interaktion, multimodaler Wahrnehmung und den Ausführungsfähigkeiten von Agenten dürfte dialogische KI sich vom reinen Interaktionswerkzeug zu einer wichtigen Kraft entwickeln, die die digitale Welt mit der physischen Welt verbindet und den Geschäftsbetrieb vorantreibt.
Von der Echtzeit-Interaktion zur Echtzeit-Intelligenz: das nächste Kapitel des dialogischen AGI öffnen
Von dem von Zhao Bin vorgeschlagenen fünfstufigen Rahmen für dialogische Fähigkeiten bis hin zu den zwei Diskussionsrunden über persönliche Agenten und die Umsetzung im realen Geschäft zeigte das iRTE2026-Hauptforum einen klaren Branchentrend: Der Wettbewerb im Bereich dialogischer KI erstreckt sich zunehmend von den Grundfähigkeiten der Modelle auf Kontextverständnis, Echtzeit-Interaktion, das Erkennen komplexer Zusammenhänge und die Aufgabenausführung.
Wenn KI sich nicht mehr darauf beschränkt, passiv Antworten zu geben, sondern Menschen kontinuierlich versteht, aktiv an der Kommunikation teilnimmt und in realen Szenarien Aufgaben erledigt, wird auch die Echtzeit-Interaktionstechnologie eine tiefergehende Mission übernehmen.
Für die nächste Phase des dialogischen AGI wird Agora gemeinsam mit Entwicklern und Branchenpartnern weiterhin die Verschmelzung von Echtzeit-Interaktion und generativer KI erforschen und natürlichere, effizientere Echtzeit-Interaktionserlebnisse zwischen Menschen sowie zwischen Menschen und Agenten vorantreiben.
Dies ist ein Originalartikel von Leifeng.com; ein Nachdruck ohne Genehmigung ist untersagt. Einzelheiten sieheHinweise zum Nachdruck。